Text Summarization and Content Generation with AI (NLG)

• Podstawowa znajomość koncepcji uczenia maszynowego
• Znajomość programowania Python
• Doświadczenie z frameworkami NLP

Publiczność

• Programiści AI
• Twórcy treści
• Naukowcy zajmujący się danymi

Ten kurs bada podstawowe koncepcje i techniki generowania języka naturalnego (NLG) do podsumowywania tekstu i generowania treści. Uczestnicy dowiedzą się, jak korzystać z najnowocześniejszych modeli i algorytmów NLG w celu automatyzacji tworzenia treści i generowania wysokiej jakości tekstu podobnego do ludzkiego.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych profesjonalistów, którzy chcą zdobyć praktyczne umiejętności korzystania z NLG do automatyzacji podsumowywania tekstu i generowania treści.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawowe zasady NLG do podsumowywania tekstu i generowania treści.
• Wdrożyć modele NLG w celu podsumowania dużych dokumentów i artykułów.
• Wykorzystać wstępnie wytrenowane modele NLG, takie jak GPT, do tworzenia treści.
• Zastosuj zaawansowane techniki, aby dostroić modele NLG do określonych zadań generowania treści.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie do NLG do podsumowywania tekstu i generowania treści

• Przegląd generowania języka naturalnego (NLG)
• Kluczowe różnice między NLG a NLP
• Przypadki użycia NLG w generowaniu treści

Techniki podsumowywania tekstu w NLG

• Ekstraktywne metody podsumowywania przy użyciu NLG
• Streszczenie abstrakcyjne z modelami NLG
• Metryki oceny podsumowania opartego na NLG

Generowanie treści za pomocą NLG

• Przegląd modeli generatywnych NLG: GPT, T5 i BART
• Trenowanie modeli NLG do generowania tekstu
• Generowanie spójnego i kontekstowego tekstu za pomocą NLG

Dostrajanie modeli NLG do konkretnych zastosowań

• Dostrajanie modeli NLG, takich jak GPT, do zadań specyficznych dla domeny
• Uczenie transferowe w NLG
• Obsługa dużych zbiorów danych do trenowania modeli NLG

Narzędzia i ramy dla NLG

• Wprowadzenie do popularnych bibliotek NLG (Transformers, OpenAI GPT)
• Ćwiczenia praktyczne z Hugging Face Transformers i OpenAI API
• Tworzenie potoków NLG do generowania treści

Kwestie etyczne w NLG

• Stronniczość w treściach generowanych przez sztuczną inteligencję
• Ograniczanie szkodliwych lub nieodpowiednich wyników NLG
• Etyczne implikacje NLG w tworzeniu treści

Przyszłe trendy w NLG

• Najnowsze osiągnięcia w modelach NLG
• Wpływ transformatorów na NLG
• Przyszłe możliwości w NLG i zautomatyzowanym tworzeniu treści

Podsumowanie i kolejne kroki